github llama.cpp · 3 hari lalu · inference

llama.cpp b11223 mengizinkan RANK pooling batch splitting untuk reranker LLM kausal

Diterjemahkan dari English → Bahasa Indonesia

Server llama.cpp sekarang mengizinkan RANK pooling batch splitting untuk reranker LLM kausal seperti Qwen3 dan Qwen3-VL, menyelesaikan batasan sebelumnya yang merusak reranking dokumen panjang dan multimodal.

Sebelumnya, server menolak input RANK-pooling yang lebih besar dari n_ubatch, memaksa semua token ke dalam satu batch fisik.
Perbaikan mengekspos llama_get_causal_attn dan llama_model_is_causal untuk memeriksa jenis perhatian secara dinamis alih-alih mengkodekan pemeriksaan arsitektur secara keras.
can_split() sekarang memungkinkan chunked prefill untuk RANK pooling ketika konteks bersifat kausal, menghapus logika duplikat di builder grafik.

Perubahan ini memungkinkan pemrosesan dokumen panjang dan input multimodal yang efisien dengan memanfaatkan kemampuan chunked prefill yang melekat pada model kausal.

Kepentingan 1/3 Kepercayaan 1/3 llama.cpp Hugging Face Inference efficiency

Baca aslinya

llama.cpp menambahkan dukungan GLM-5.3-Flash dengan perbaikan k-pool dan MTP

Proyek llama.cpp telah menambahkan dukungan awal untuk arsitektur model GLM-5.3-Flash (GLM5-Next), termasuk migrasi ke memori indeks hibrida dan kemampuan Multi-Token Prediction (MTP) awal.

github llama.cpp · 20 jam lalu · 2 tayangan

llama.cpp b11266 memuat matriks A F32 dua kali untuk Vulkan pada Intel

Proyek llama.cpp merilis build b11266, yang mencakup optimasi Vulkan yang memuat matriks A F32 dua elemen sekaligus ketika mereka sejajar 2. Perubahan ini mengatasi masalah kinerja pada perangkat keras Intel di mana memuat float satu per satu tidak efisien, dan juga memperbaiki validasi yang hilang untuk penjajaran `a_offset` dalam patch asli.

github llama.cpp · 22 jam lalu · 1 tayangan

llama.cpp b11265 memperbaiki pemilihan tile matmul MOE di Vulkan

Rilis llama.cpp b11265 mencakup perbaikan untuk penanganan model Mixture of Experts (MoE) oleh backend Vulkan. Pembaruan ini memperbaiki bagaimana `mat_mul_id` memilih tile perkalian matriks, mengatasi masalah kinerja di mana pekerja menganggur selama penjadwalan.

github llama.cpp · 2 hari lalu · 4 tayangan

llama.cpp b11238 menambahkan ggml_pad_ext untuk padding kiri dan melewatkan tap DFlash2

Proyek llama.cpp merilis build b11238, memperkenalkan implementasi padding kiri yang terpadu melalui fungsi `ggml_pad_ext` baru. Perubahan ini menyatukan metode sebelumnya yang digunakan oleh encoder audio seperti Parakeet, LFM2-Audio, Granite Speech, dan Gemma 4, memastikan embedding yang identik secara bit untuk Gemma 4 sambil menyederhanakan dukungan backend.

github llama.cpp · 2 hari lalu · 5 tayangan

llama.cpp b11232 mengaktifkan flash attention bertegel di x86

Proyek llama.cpp merilis build b11232, yang mencakup pembaruan untuk backend ggml-cpu. Rilis ini berfokus pada pengaktifan flash attention bertegel untuk dimensi kepala bukan kelipatan vektor pada arsitektur x86.